TW202505324A - 排隊時間控制 - Google Patents

Abstract

一種方法包括決定與處理配方相關聯的預定排隊時間。預定排隊時間與在基板從一位置移動之前處於該位置的時間量相關聯。方法進一步包括導致基於預定排隊時間來控制與基板處理系統的一或多個部件相關聯的速度。速度的控制與基板的移送相關聯。

Description

排隊時間控制

本揭示係關於製造系統（諸如基板處理系統）中的控制，並且特定而言係關於製造系統中的排隊時間控制。

藉由使用製造設備執行一或多個製造製程來生產產品。例如，基板處理設備用於藉由將基板運輸到處理腔室並且在處理腔室中對基板執行製程來處理基板。

下文係本揭示的簡要概述以便提供對本揭示的一些態樣的基本理解。此概述非本揭示的詳盡綜述。其既不意欲標識本揭示的重要或關鍵元素，亦不意欲描繪本揭示的特定實施方式的任何範疇或申請專利範圍的任何範疇。其唯一目的係以簡要形式呈現本揭示的一些概念，作為稍後呈現的更詳細描述的序言。

在本揭示的一態樣中，一種方法包括決定與處理配方相關聯的預定排隊時間。預定排隊時間與在基板從一位置移動之前處於該位置的時間量相關聯。方法進一步包括導致基於預定排隊時間來控制與基板處理系統的一或多個部件相關聯的速度。速度的控制與基板的移送相關聯。

在本揭示的另一態樣中，一種非暫時性機器可讀取儲存媒體儲存指令，當執行時，該等指令導致處理裝置執行包括決定與處理配方相關聯的預定排隊時間的操作。預定排隊時間與在基板從一位置移動之前處於該位置的時間量相關聯。操作進一步包括導致基於預定排隊時間來控制與基板處理系統的一或多個部件相關聯的速度。速度的控制與基板的移送相關聯。

在本揭示的另一態樣中，一種系統包括記憶體及耦合到記憶體的處理裝置。處理裝置用於決定與處理配方相關聯的預定排隊時間。預定排隊時間與在基板從一位置移動之前處於該位置的時間量相關聯。處理裝置進一步用於導致基於預定排隊時間來控制與基板處理系統的一或多個部件相關聯的速度。速度的控制與基板的移送相關聯。

本文描述了涉及排隊時間控制（例如，顯式排隊時間控制、具有裝載閘抽空/排氣及/或機器人速度控制的顯式排隊時間控制）的技術。

產品藉由使用製造設備執行一或多個製造製程來生產。例如，基板處理設備用於處理基板（例如，晶圓、半導體、顯示器等）。基板處理系統基於序列配方處理基板，該序列配方包括不同的操作，諸如移送操作（例如，機器人將基板運輸到不同位置）、處理操作（例如，在處理腔室中處理基板）、清潔操作（例如，在處理操作之後清潔處理腔室）、及/或類似者。例如，在半導體處理中，多層特徵使用具有多個處理操作的具體處理序列配方來在基板上製造。基板處理系統（例如，叢集工具）包括多個處理腔室，以執行序列配方的處理序列（例如，在叢集工具的處理腔室中完成的處理配方操作的序列），而不從處理環境（例如，基板處理系統的處理環境）移除基板。基板處理系統具有有限量的機器人來執行移送操作及有限量的處理腔室來執行處理操作。為了使基板繼續進行下一操作，基板將完成前面的操作，對應類型的處理腔室將可用，並且對應的機器人將可用。

習知基板移送操作及處理操作以子系統（例如，基板處理系統的部分）的當前狀態允許的最快速度發生，而不最佳化子系統用於所有任務，以完成對所有基板的處理。此舉導致基板停留在各位置的時間（例如，停留在處理腔室中，排隊時間）變化，此導致基板品質下降、基板之間的變化、浪費材料、良率降低、及類似者。此舉亦導致基板之中的不均勻性（例如，不一致性、不均勻的基板表面性質）。例如，在熱製程中，基板在熱操作完成之後等待的時間越長，基板的溫度將越低，從而導致序列中的下一操作處的表面溫度不均勻。對於另一實例，在濕式製程中，基板在濕式化學處理操作完成之後等待的時間越長，基板表面上的化學反應將越多。

本文揭示的裝置、系統、及方法提供了對習知系統的此等及其他缺點的解決方案。

處理裝置決定與處理配方相關聯的預定排隊時間。預定排隊時間與在基板從一位置移動之前處於該位置（例如，在藉由處理腔室處理之後處於處理腔室中）的時間量相關聯。預定排隊時間可係固持基板（例如，在處理配方操作完成之後）的時間量（例如，額外時間、總時間、人為延遲）。在一些實施例中，預定排隊時間係從處理腔室中的基板處理操作結束到基板從處理腔室移除時的時間量。在一些實施例中，預定排隊時間係從處理腔室中的基板處理操作結束到基板到達後續腔室時的時間量。在一些實施例中，預定排隊時間係從處理腔室中的基板處理操作結束到後續腔室中基板的後續基板處理操作開始的時間量。在一些實施例中，預定排隊時間係一時間範圍（例如，從5秒至7秒）。在一些實施例中，處理裝置基於使用者輸入來決定預定排隊時間。在一些實施例中，處理裝置基於經訓練的機器學習模型來決定預定排隊時間。

處理裝置進一步導致控制與基板處理系統的一或多個部件相關聯的速度。速度的控制與基板的移送相關聯。在一些實施例中，機器人基於預定排隊時間（例如，回應於導致在處理腔室中處理基板）從該位置移動基板（例如，從處理腔室移除基板）。在一些實施例中，處理裝置基於預定排隊時間來決定預定機器人速度，並且為了導致控制與一或多個部件相關聯的速度，處理裝置基於預定機器人速度來導致控制機器人。在一些實施例中，處理裝置基於預定排隊時間來決定裝載閘腔室的預定壓力改變率，並且為了導致控制與一或多個部件相關聯的速度，處理裝置基於預定壓力改變率來導致裝載閘腔室中的壓力改變（例如，改變壓力的速度）。

本揭示的態樣導致技術優點。藉由導致基於預定排隊時間處理基板，基板在處理之後停留在處理腔室中達均勻的時間量。與習知解決方案相比，此舉導致基板品質提高、基板之間的變化減少、材料浪費減少、及良率增加。與習知解決方案相比，此舉亦導致基板之間的均勻性增加。

儘管本揭示的一些實施例描述了在基板處理系統中運輸及處理基板，但在一些實施例中，本揭示應用於隨時間執行操作的其他系統，諸如製造系統等。

如本文所使用的，術語「生產」可以指生產產品的最終版本（例如，完全處理的基板）或產品的中間版本（例如，部分處理的基板）。如本文所使用的，生產基板可以指經由執行一或多個基板處理操作來處理基板。

第1圖係根據某些實施例的示出示例性系統100（示例性系統架構）的方塊圖。系統100包括客戶端裝置120、製造設備124、感測器126、計量設備128、預測伺服器112、及資料儲存器140。在一些實施例中，預測伺服器112係預測系統110的一部分。在一些實施例中，預測系統110進一步包括伺服器機器170及180。

在一些實施例中，客戶端裝置120、製造設備124、感測器126、計量設備128、預測伺服器112、資料儲存器140、伺服器機器170、及/或伺服器機器180中的一或多個經由網路130彼此耦合，用於產生預測資料160以執行排隊時間控制。在一些實施例中，網路130係公眾網路，該公眾網路為客戶端裝置120提供對預測伺服器112、資料儲存器140、及其他公眾可用的計算裝置的存取。在一些實施例中，網路130係私人網路，該私人網路為客戶端裝置120提供對製造設備124、感測器126、計量設備128、資料儲存器140、及其他私人可用的計算裝置的存取。在一些實施例中，網路130包括一或多個廣域網路(Wide Area Network; WAN)、區域網路(Local Area Network; LAN)、有線網路（例如，乙太網路）、無線網路（例如，802.11網路或Wi-Fi網路）、蜂巢網路（例如，長期進化(Long Term Evolution; LTE)網路）、路由器、集線器、交換機、伺服器電腦、雲端計算網路、及/或其組合。

在一些實施例中，客戶端裝置120包括計算裝置，諸如個人電腦(Personal Computer; PC)、膝上型電腦、行動電話、智慧電話、平板電腦、小筆電電腦等。在一些實施例中，客戶端裝置120包括排程部件122。在一些實施例中，排程部件122亦可包括在預測系統110（例如，機器學習處理系統）中。在一些實施例中，排程部件122替代地包括在預測系統110中（例如，不包括在客戶端裝置120中）。客戶端裝置120包括允許使用者進行以下一或多項操作的作業系統：合併、產生、檢視或編輯資料，向預測系統110（例如，機器學習處理系統）提供指令等。

在一些實施例中，排程部件122接收一或多個使用者輸入（例如，經由透過客戶端裝置120顯示的圖形使用者介面(Graphical User Interface; GUI)）、接收處理資料142（例如，來自客戶端裝置120及/或資料儲存器140的配方及/或基板移送資料）、從計量設備128接收效能資料152等。在一些實施例中，排程部件122將資料（例如，使用者輸入、處理資料142、效能資料152等）發送到預測系統110、從預測系統110接收預測資料160、基於預測資料160來決定預定排隊時間、及導致基於預定排隊時間處理基板。在一些實施例中，排程部件122將資料（例如，使用者輸入、處理資料142、效能資料152等）儲存在資料儲存器140中，並且預測伺服器112從資料儲存器140擷取資料。在一些實施例中，預測伺服器112將經訓練的機器學習模型190的輸出（例如，預測資料160）儲存在資料儲存器140中並且客戶端裝置120從資料儲存器140擷取輸出。在一些實施例中，排程部件122從預測系統110接收對預定排隊時間的指示（例如，基於預測資料160）並且導致基於預定排隊時間處理基板。

在一些實施例中，預測資料160與預定排隊時間相關聯。在一些實施例中，預定排隊時間與下列中的一或多個相關聯：從處理腔室中的基板處理操作結束到基板從處理腔室移除時的時間量、從處理腔室中的基板處理操作結束到基板到達後續腔室時的時間量、從處理腔室中的基板處理操作結束到後續腔室中的基板的後續基板處理操作開始的時間量、時間範圍、計算製程控制(Computational Process Control; CPC)、統計製程控制(Statistical Process Control; SPC)（例如，SPC與3-Σ圖表進行比較等）、先進製程控制(Advanced Process Control; APC)、基於模型的製程控制、設計最佳化、製造參數更新、反饋控制、機器學習修改、或類似者。

在一些實施例中，基於預定排隊時間來執行校正動作。在一些實施例中，校正動作包括提供警報（例如，若預測資料160指示預測異常，諸如預定排隊時間不滿足閾值、預定排隊時間將不滿足預定排隊時間等，則提供不使用基板處理設備零件或製造設備124的警告）。在一些實施例中，校正動作包括提供反饋控制（例如，回應於指示預測異常的預測資料160來清潔、修復、及/或替換基板處理設備零件）。在一些實施例中，校正動作包括提供機器學習（例如，基於預測資料160來決定預定排隊時間）。

在一些實施例中，預測伺服器112、伺服器機器170、及伺服器機器180各自包括一或多個計算裝置，諸如機架伺服器、路由器電腦、伺服器電腦、個人電腦、主機電腦、膝上型電腦、平板電腦、桌上型電腦、圖形處理單元(Graphics Processing Unit; GPU)、加速器特殊應用積體電路(accelerator Application-Specific Integrated Circuit; ASIC)（例如，張量處理單元(TPU)）等。

預測伺服器112包括預測部件114。在一些實施例中，預測部件114接收處理資料142（例如，從客戶端裝置120接收配方及/或基板移送資料，從資料存儲器140擷取配方及/或基板移送資料），並且產生與預定排隊時間（例如，排隊時間控制）相關聯的預測資料160。在一些實施例中，預測部件114使用一或多個經訓練的機器學習模型190來決定排隊時間控制的預測資料160。在一些實施例中，經訓練的機器學習模型190使用歷史處理資料144（例如，歷史配方及/或歷史基板移送資料）及歷史效能資料154來訓練。

在一些實施例中，預測系統110（例如，預測伺服器112、預測部件114）使用受監督的機器學習（例如，受監督的資料集、以歷史效能資料154標記的歷史處理資料144等）來產生預測資料160。在一些實施例中，預測系統110使用半監督的學習（例如，半監督的資料集、效能資料152係預測百分比等）來產生預測資料160。在一些實施例中，預測系統110使用無監督的機器學習（例如，無監督的資料集、聚類、基於歷史處理資料144的聚類等）產生預測資料160。

在一些實施例中，製造設備124（例如，叢集工具）係基板處理系統（例如，整合的處理系統）的一部分。製造設備124包括下列中的一或多個：控制器、外殼系統（例如，基板載具、前開式晶圓傳送盒(front opening unified pod; FOUP)、自動教學FOUP、處理套組外殼系統、基板外殼系統、晶匣等）、側儲存盒(side storage pod; SSP)、對準器裝置（例如，對準器腔室）、工廠介面（例如，設備前端模組(equipment front end module; EFEM)）、裝載閘、移送腔室、一或多個處理腔室、機械臂（例如，設置在移送腔室中、設置在前介面中等）、及/或類似者。安裝到工廠介面的外殼系統、SSP、及裝載閘以及設置在工廠介面中的機械臂用於在外殼系統、SSP、裝載閘及工廠介面之間移送內容物（例如，基板、處理套組環、載具、驗證晶圓等）。對準器裝置設置在工廠介面中，以對準內容物。安裝到移送腔室的裝載閘及處理腔室、以及設置在移送腔室中的機械臂用於在裝載閘、處理腔室、及移送腔室之間移送內容物（例如，基板、處理套組環、載具、驗證晶圓等）。在一些實施例中，製造設備124包括基板處理系統的部件。在一些實施例中，處理資料142（例如，配方及/或基板移送資料）包括藉由製造設備124的部件執行的製程的參數（例如，蝕刻、加熱、冷卻、移送、處理、流動、清潔等）。

在一些實施例中，感測器126提供與製造設備124相關聯的感測器資料（例如，感測器值，諸如歷史感測器值及當前感測器值）。在一些實施例中，感測器126包括下列中的一或多個：成像感測器（例如，相機、圖像捕獲裝置等）、壓力感測器、溫度感測器、流動速率感測器、光譜感測器、及/或類似者。在一些實施例中，感測器資料用於設備健康及/或產品健康（例如，產品品質）。在一些實施例中，感測器資料在一段時間內接收。在一些實施例中，感測器126提供感測器資料，諸如圖像資料、洩漏速率、溫度、壓力、流動速率（例如，氣體流量）、泵送效率、間隔(spacing; SP)、高頻射頻(High Frequency Radio Frequency; HFRF)、電流、功率、電壓、及/或類似者中的一或多個的值。在一些實施例中，處理資料142（例如，配方及/或基板移送資料）及/或效能資料152包括來自一或多個感測器126的感測器資料。

在一些實施例中，處理資料142（例如，歷史處理資料144、當前處理資料146等）藉由客戶端裝置120及/或藉由預測伺服器112處理。在一些實施例中，處理資料142的處理包括產生特徵。在一些實施例中，特徵係處理資料的一部分（例如，移送操作、處理操作等）、已處理的處理資料（例如，已處理的移送資料、已處理的處理資料）、處理資料142中的模式（例如，移送、處理等的重複）、或來自處理資料142的值的組合（例如，移送時間與處理時間的比率等）。在一些實施例中，處理資料142包括藉由預測部件114用於獲得預測資料160的特徵。

在一些實施例中，計量設備128（例如，成像設備、光譜設備、橢偏儀設備等）用於決定對應於藉由製造設備124（例如，基板處理設備）生產的基板的計量資料（例如，檢查資料、圖像資料、光譜資料、橢圓光度資料、材料組成、光學或結構資料等）。在一些實例中，在製造設備124處理基板之後，計量設備128用於檢查基板的多個部分（例如，多個層）。在一些實施例中，計量設備128執行掃描聲學顯微鏡(scanning acoustic microscopy; SAM)、超音波檢查、X射線檢查及/或電腦斷層攝影(computed tomography; CT)檢查。在一些實例中，在製造設備124在基板上沉積一或多個層之後，計量設備128用於決定已處理的基板的品質（例如，層的厚度、層的均勻性、層的層間間隔、及/或類似者）。在一些實施例中，計量設備128包括圖像捕獲裝置（例如，SAM設備、超音波設備、X射線設備、CT設備、及/或類似者）。在一些實施例中，效能資料152包括來自計量設備128的計量資料。

在一些實施例中，資料儲存器140係記憶體（例如，隨機存取記憶體）、驅動器（例如，硬碟、隨身碟）、資料庫系統、或能夠儲存資料的另一類型的部件或裝置。在一些實施例中，資料儲存器140包括跨越多個計算裝置（例如，多個伺服器電腦）的多個儲存部件（例如，多個驅動器或多個資料庫）。在一些實施例中，資料儲存器140儲存處理資料142（例如，配方及/或基板移送資料）、效能資料152、及/或預測資料160中的一或多個。

處理資料142（例如，配方及/或基板移送資料）包括歷史處理資料144（例如，歷史配方及/或歷史基板移送資料）及當前處理資料146（例如，當前配方及/或當前基板移送資料）。在一些實施例中，處理資料142可包括移送操作資料、處理操作資料、清潔操作資料、及/或類似者中的一或多個。在一些實施例中，處理資料142的至少一部分來自客戶端裝置120、資料存儲器140、及/或感測器126。

效能資料152包括歷史效能資料154及當前效能資料156。在一些實施例中，效能資料152的至少一部分與機器人的效能或移送時序相關聯。效能資料152可包括機器人移送時間。效能資料152可包括基板的性質值、對基板的性質值是否滿足閾值的指示等。在一些實例中，效能資料152指示基板是否經正確設計、正確生產、及/或正確起作用。在一些實施例中，效能資料152的至少一部分與藉由製造設備124生產的基板的品質相關聯。在一些實施例中，效能資料152的至少一部分係基於來自計量設備128的計量資料（例如，歷史效能資料154包括指示正確處理的基板的計量資料、基板的性質資料、良率等）。在一些實施例中，效能資料152的至少一部分係基於對基板的檢查（例如，基於實際檢查的當前效能資料156）。在一些實施例中，效能資料152包括對絕對值（例如，黏接介面的檢查資料指示與閾值資料相差計算值、變形值與閾值變形值相差計算值）或相對值（例如，黏接介面的檢查資料指示與閾值資料相差5%，變形與閾值變形相差5%）的指示。在一些實施例中，效能資料152指示滿足閾值誤差量（例如，生產的至少5%的誤差、流量的至少5%的誤差、變形的至少5%的誤差、規格限制）。

在一些實施例中，客戶端裝置120提供效能資料152（例如，產品資料）。在一些實例中，客戶端裝置120提供（例如，基於使用者輸入）指示產品異常（例如，有缺陷的產品）的效能資料152。在一些實施例中，效能資料152包括已經生產的正常或異常產品的量（例如，98%的正常產品）。在一些實施例中，效能資料152指示經預測為正常或異常的正在生產的產品的量。在一些實施例中，效能資料152包括前一批產品的良率、平均良率、預測良率、有缺陷或無缺陷產品的預測量、或類似者中的一或多個。在一些實例中，回應於第一批產品的良率為98%（例如，98%的產品係正常的，且2%係異常的），客戶端裝置120提供指示即將到來的一批產品將具有98%的良率的效能資料152。

在一些實施例中，歷史資料包括下列中的一或多個：歷史處理資料144及/或歷史效能資料154（例如，用於訓練機器學習模型190的至少一部分）。當前資料包括下列中的一或多個：當前處理資料146及/或當前效能資料156（例如，在使用歷史資料訓練模型190之後要輸入到經訓練的機器學習模型190中的至少一部分）。在一些實施例中，當前資料用於重新訓練經訓練的機器學習模型190。

在一些實施例中，預測資料160將用於排隊時間控制（例如，導致基於預定排隊時間處理基板）。

對產品執行計量以決定不滿足閾值品質的基板處理設備零件不正確地生產部件在所使用的時間、所使用的計量設備128、所消耗的能量、用於發送計量資料的頻寬、用於處理計量資料的處理器額外負擔等方面係昂貴的。藉由向模型190提供處理資料142並且從模型190接收預測資料160，系統100具有避免使用計量設備128及丟棄基板的昂貴製程的技術優點。

在一些實施例中，預測系統110進一步包括伺服器機器170及伺服器機器180。伺服器機器170包括資料集產生器172，該資料集產生器能夠產生資料集（例如，資料輸入集合及目標輸出集合）以訓練、驗證、及/或測試機器學習模型190。資料集產生器172具有資料收集、編製、簡化及/或劃分的功能，以將資料置於用於機器學習的形式中。在一些實施例中（例如，對於小資料集），不使用用於訓練後驗證的劃分（例如，顯式劃分）。重複交叉驗證（例如，5重交叉驗證，留一交叉驗證）可在訓練期間使用，其中給定的資料集在訓練期間實際上被重複地劃分成不同的訓練及驗證集。模型（例如，最佳模型、具有最高準確性的模型等）係從自動分離的組合子集上的模型的向量中選擇的。在一些實施例中，資料集產生器172可將歷史資料（例如，歷史處理資料144及對應的歷史效能資料154）顯式地劃分為訓練集（例如，歷史資料的百分之六十）、驗證集（例如，歷史資料的百分之二十）、及測試集（例如，歷史資料的百分之二十）。在此實施例中，資料集產生器172的一些操作在下文關於第2圖及第4A圖詳細描述。在一些實施例中，預測系統110（例如，經由預測部件114）產生特徵（例如，訓練特徵）的多個集合。在一些實例中，第一特徵集合對應於處理資料142的類型的第一集合（例如，與感測器的第一集合相關聯的第一類型的操作、值的第一組合、值中的第一圖案），該處理資料對應於資料集的每一者（例如，訓練集、驗證集、及測試集），並且特徵的第二集合對應於處理資料142的類型的第二集合（例如，與感測器的第一集合不同的感測器的第二集合相關聯的第二類型的操作、與第一組合不同的值的第二組合、與第一圖案不同的第二圖案），該處理資料對應於資料集的每一者。

伺服器機器180包括訓練引擎182、驗證引擎184、選擇引擎185、及/或測試引擎186。在一些實施例中，引擎（例如，訓練引擎182、驗證引擎184、選擇引擎185、及測試引擎186）指硬體（例如，電路系統、專用邏輯、可程式設計邏輯、微代碼、處理裝置等）、軟體（諸如在處理裝置、通用電腦系統、或專用機器上運行的指令）、韌體、微代碼、或其組合。訓練引擎182能夠使用與來自資料集產生器172的訓練集相關聯的特徵的一或多個集合來訓練機器學習模型190。在一些實施例中，訓練引擎182產生多個經訓練的機器學習模型190，其中每個經訓練的機器學習模型190對應於訓練集的參數的不同集合（例如，處理資料142）及對應回應（例如，效能資料152）。在一些實施例中，出於對多種效應進行模型化的目的，多個模型在具有不同目標的相同參數上訓練。在一些實例中，第一經訓練的機器學習模型使用所有操作（例如，操作1-5）的處理資料142來訓練，第二經訓練的機器學習模型使用處理資料142的第一子集（例如，操作1、2、及4）來訓練，並且第三經訓練的機器學習模型使用與特徵的第一子集部分重疊的處理資料142的第二子集（例如，操作1、3、4、及5）來訓練。

驗證引擎184能夠使用來自資料集產生器172的驗證集的特徵的對應集合來驗證經訓練的機器學習模型190。例如，使用訓練集的特徵的第一集合訓練的第一經訓練的機器學習模型190使用驗證集的特徵的第一集合來驗證。驗證引擎184基於驗證集的特徵的對應集合來決定經訓練的機器學習模型190的每一者的準確性。驗證引擎184評估並且標記（例如，將丟棄）具有不滿足閾值準確性的準確性的經訓練的機器學習模型190。在一些實施例中，選擇引擎185能夠選擇具有滿足閾值準確性的準確性的一或多個經訓練的機器學習模型190。在一些實施例中，選擇引擎185能夠選擇具有經訓練的機器學習模型190的最高準確性的經訓練的機器學習模型190。

測試引擎186能夠使用來自資料集產生器172的測試集合的特徵的對應集合來測試經訓練的機器學習模型190。例如，使用訓練集的特徵的第一集合訓練的第一經訓練的機器學習模型190使用測試集的特徵的第一集合來測試。測試引擎186基於測試集來決定具有所有經訓練的機器學習模型的最高準確性的經訓練的機器學習模型190。

在一些實施例中，機器學習模型190（例如，用於分類）指藉由訓練引擎182使用包括資料輸入及對應目標輸出（例如，正確地分類相應訓練輸入的條件或序號級別）的訓練集建立的模型偽影。可以發現在資料集中將資料輸入映射到目標輸出（正確分類或級別）的圖案並且向機器學習模型190提供捕獲此等圖案的映射。在一些實施例中，機器學習模型190使用下列中的一或多個：高斯過程迴歸(Gaussian Process Regression; GPR)、高斯過程分類(Gaussian Process Classification; GPC)、貝葉斯神經網路、神經網路高斯過程、深度置信網路、高斯混合模型、或其他機率學習方法。亦可使用非機率方法，包括下列中的一或多個：支援向量機(Support Vector Machine; SVM)、徑向基函數(Radial Basis Function; RBF)、叢集、最近鄰演算法(Nearest Neighbor algorithm; k-NN)、線性迴歸、隨機森林、神經網路（例如，人工神經網路）等。在一些實施例中，機器學習模型190係多變數分析(multi-variate analysis; MVA)迴歸模型。

預測部件114將當前處理資料146（例如，作為輸入）提供到經訓練的機器學習模型190並且運行經訓練的機器學習模型190（例如，在輸入上運行以獲得一或多個輸出）。預測部件114能夠從經訓練的機器學習模型190決定（例如，提取）預測資料160並且決定（例如，提取）指示預測資料160對應於當前效能資料156的可信度位準的不確定性資料。在一些實施例中，預測部件114或排程部件122使用不確定性資料（例如，不確定性函數或從不確定性函數中導出的獲取函數）來決定是否使用預測資料160來執行校正動作或是否進一步訓練模型190。

出於說明而非限制的目的，本揭示的態樣描述了使用歷史資料（亦即，先前資料、歷史處理資料144及歷史效能資料154）來訓練一或多個機器學習模型190並且將當前處理資料146提供到一或多個經訓練的機率機器學習模型190中以決定預測資料160。在其他實施方式中，啟發式模型或基於規則的模型用於決定預測資料160（例如，在不使用經訓練的機器學習模型的情況下）。在其他實施方式中，可使用非機率機器學習模型。預測部件114監測歷史處理資料144及歷史效能資料154。在一些實施例中，關於第2圖的資料輸入210描述的任何資訊在啟發式或基於規則的模型中監測或以其他方式使用。

在一些實施例中，客戶端裝置120、預測伺服器112、伺服器機器170、及伺服器機器180的功能將由較少數量的機器來提供。例如，在一些實施例中，伺服器機器170及180整合到單個機器中，而在一些其他實施例中，伺服器機器170、伺服器機器180、及預測伺服器112整合到單個機器中。在一些實施例中，客戶端裝置120及預測伺服器112整合到單個機器中。

通常，在一個實施例中描述為藉由客戶端裝置120、預測伺服器112、伺服器機器170、及伺服器機器180執行的功能亦可以在其他實施例中對預測伺服器112執行，若適當。此外，歸因於特定部件的功能性可以藉由一起操作的不同或多個部件執行。例如，在一些實施例中，預測伺服器112基於預測資料160來決定校正動作。在另一實例中，客戶端裝置120基於從經訓練的機器學習模型接收的資料來決定預測資料160。

此外，特定部件的功能可以藉由一起操作的不同或多個部件執行。在一些實施例中，預測伺服器112、伺服器機器170、或伺服器機器180中的一或多個作為服務存取，該服務經由適當的應用程式設計介面(application programming interface; API)提供到其他系統或裝置。

在一些實施例中，「使用者」表示為單個個體。然而，本揭示的其他實施例涵蓋「使用者」係藉由複數個使用者及/或自動化源控制的實體。在一些實例中，作為一組管理員聯合的獨立使用者集合被認為係「使用者」。

儘管本揭示的實施例根據決定用於製造設施（例如，基板處理設施）中的基板處理設備零件的排隊時間控制的預測資料160來論述，但是在一些實施例中，本揭示亦可以通常應用於品質偵測。實施例可以通常應用於基於不同類型的資料來決定零件的品質。

第2圖示出了根據某些實施例的用於建立機器學習模型（例如，第1圖的模型190）的資料集的資料集產生器272（例如，第1圖的資料集產生器172）。在一些實施例中，資料集產生器272係第1圖的伺服器機器170的部分。藉由第2圖的資料集產生器272產生的資料集可用於訓練機器學習模型（例如，參見第7D圖）以提供排隊時間控制（例如，用於排程，導致執行校正動作，參見第4D圖）。

資料集產生器272（例如，第1圖的資料集產生器172）建立用於機器學習模型（例如，第1圖的模型190）的資料集。資料集產生器272使用歷史處理資料244（例如，第1圖的歷史處理資料144、歷史處理資料244的集合）及歷史效能資料254（例如，第1圖的歷史效能資料154、歷史效能資料254的集合）來建立資料集。例如，歷史處理資料244的第一集合可與歷史效能資料254的第一集合相關聯。歷史處理資料244的第二集合及歷史效能資料254的第二集合可在後續操作（與識別第一歷史處理資料244及歷史效能資料254的第一集合相同或不同的基板的後續操作）期間。第2圖的系統200示出了資料集產生器272、資料輸入210、及目標輸出220（例如。目標資料）。

在一些實施例中，資料集產生器272產生包括一或多個資料輸入210（例如，訓練輸入、驗證輸入、測試輸入）及對應於資料輸入210的一或多個目標輸出220的資料集（例如，訓練集、驗證集、測試集）。資料集亦包括將資料輸入210映射到目標輸出220的映射資料。資料輸入210亦稱為「特徵」、「屬性」、或「資訊」。在一些實施例中，資料集產生器272將資料集提供到訓練引擎182、驗證引擎184、或測試引擎186，其中資料集用於訓練、驗證、或測試機器學習模型190。產生訓練集的一些實施例進一步關於第7A圖描述。

在一些實施例中，資料集產生器272產生資料輸入210及目標輸出220。在一些實施例中，資料輸入210包括歷史處理資料244的一或多個集合。在一些實施例中，歷史處理資料244包括一或多個操作（例如，與來自一或多種類型的感測器的感測器資料、來自一或多種類型的感測器的感測器資料的組合、來自一或多種類型的感測器的感測器資料的圖案、及/或類似者相關聯）。

在一些實施例中，資料集產生器272產生對應於歷史處理資料244的第一集合的第一資料輸入以訓練、驗證、或測試第一機器學習模型，並且資料集產生器272產生對應於歷史處理資料244的第二集合的第二資料輸入以訓練、驗證、或測試第二機器學習模型。

在一些實施例中，資料集產生器272離散化（例如，分段）資料輸入210或目標輸出220中的一或多個（例如，用於迴歸問題的分類演算法中）。資料輸入210或目標輸出220的離散化（例如，經由滑動窗分段）將變數的連續值變換為離散值。在一些實施例中，資料輸入210的離散值指示離散歷史處理資料244以獲得目標輸出220（例如，離散歷史效能資料254）。

用於訓練、驗證、或測試機器學習模型的資料輸入210及目標輸出220包括特定設施（例如，特定基板製造設施）的資訊。在一些實例中，歷史處理資料244及歷史效能資料254係針對相同的製造設施的。

在一些實施例中，用於訓練機器學習模型的資訊係來自具有具體特性的製造設施的具體類型的製造設備124，並且允許經訓練的機器學習模型基於與共享具體組的特性的一或多個部件相關聯的當前參數（例如，當前處理資料146）的輸入來決定具體組的製造設備124的結果。在一些實施例中，用於訓練機器學習模型的資訊係針對來自兩個或多個製造設施的部件並且允許經訓練的機器學習模型基於來自一個製造設施的輸入來決定部件的結果。

在一些實施例中，在產生資料集並且使用資料集訓練、驗證、或測試機器學習模型190之後，機器學習模型190進一步經訓練、驗證、或測試（例如，第1圖的當前效能資料156）或調節（例如，調節與機器學習模型190的輸入資料相關聯的權重，諸如神經網路中的連接權重）。

第3圖係根據某些實施例的示出用於產生預測資料360（例如，第1圖的預測資料160）的系統300的方塊圖。系統300用於經由經訓練的機器學習模型（例如，第1圖的模型190）決定預測資料360，來用於排隊時間控制（例如，用於排程、執行校正動作）

於方塊310，系統300（例如，第1圖的預測系統110）執行歷史資料（例如，用於第1圖的模型190的歷史處理資料344及歷史效能資料354）的資料劃分（例如，經由第1圖的伺服器機器170的資料集產生器172）以產生訓練集302、驗證集304、及測試集306。在一些實例中，訓練集係歷史資料的60%，驗證集係歷史資料的20%，並且測試集係歷史資料的20%。系統300產生訓練集、驗證集、及測試集的每一者的特徵的複數個集合。在一些實例中，若歷史資料包括從20個操作及100個產品（例如，藉由20個操作形成的產品）導出的特徵，特徵的第一集合係操作1-10，特徵的第二集合係操作11-20，訓練集係產品1-60，驗證集係產品61-80，並且測試集係產品81-100。在此實例中，訓練集的特徵的第一集合將係來自產品1-60的操作1-10的參數。

於方塊312，系統300使用訓練集302執行模型訓練（例如，經由第1圖的訓練引擎182）。在一些實施例中，系統300使用訓練集302的特徵的多個集合（例如，訓練集302的特徵的第一集合、訓練集302的特徵的第二集合等）來訓練多個模型。例如，系統300使用訓練集中的特徵的第一集合（例如，用於產品1-60的操作1-10）來訓練機器學習模型以產生第一經訓練的機器學習模型，並且使用訓練集中的特徵的第二集合（例如，用於產品1-60的操作11-20）來產生第二經訓練的機器學習模型。在一些實施例中，第一經訓練的機器學習模型及第二經訓練的機器學習模型經組合以產生第三經訓練的機器學習模型（例如，在一些實施例中其可係與第一或第二經訓練的機器學習模型自身相比較佳的預測器）。在一些實施例中，在比較模型中使用的特徵的集合重疊（例如，特徵的第一集合係操作1-15並且特徵的第二集合係操作5-20）。在一些實施例中，產生數百個模型，包括具有特徵的各種排列的模型及模型的組合。

於方塊314，系統300使用驗證集304執行模型驗證（例如，經由第1圖的驗證引擎184）。系統300使用驗證集304的特徵的對應集合來驗證經訓練的模型的每一者。例如，系統300使用驗證集中的特徵的第一集合（例如，用於產品61-80的操作1-10）來驗證第一經訓練的機器學習模型，並且使用驗證集中的特徵的第二集合（例如，用於產品61-80的操作11-20）來驗證第二經訓練的機器學習模型。在一些實施例中，系統300驗證於方塊312產生的數百個模型（例如，具有特徵的各個排列的模型、模型的組合等）。於方塊314，系統300決定一或多個經訓練的模型中的每一者的準確性（例如，經由模型驗證）並且決定經訓練的模型中的一或多個是否具有滿足閾值準確性的準確性。回應於決定經訓練的模型中無一者具有滿足閾值準確性的準確性，流程返回到方塊312，其中系統300使用訓練集的特徵的不同集合來執行模型訓練。回應於決定經訓練的模型中的一或多個具有滿足閾值準確性的準確性，流程繼續到方塊316。系統300丟棄具有低於閾值準確性的準確性的經訓練的機器學習模型（例如，基於驗證集）。

於方塊316，系統300執行模型選擇（例如，經由第1圖的選擇引擎185）以決定滿足閾值準確性的一或多個經訓練的模型中的哪個具有最高準確性（例如，經選擇模型308，基於方塊314的驗證）。回應於決定滿足閾值準確性的經訓練的模型中的兩個或多個具有相同準確性，流程返回到方塊312，其中系統300使用對應於進一步細化的特徵集合的進一步細化的訓練集執行模型訓練，用於決定具有最高準確性的經訓練的模型。

於方塊318，系統300使用測試集306執行模型測試（例如，經由第1圖的測試引擎186）以測試經選擇模型308。系統300使用測試集中的特徵的第一集合（例如，用於產品81-100的操作1-10）來測試第一經訓練的機器學習模型以決定第一經訓練的機器學習模型滿足閾值準確性（例如，基於測試集306的特徵的第一集合）。回應於經選擇模型308的準確性不滿足閾值準確性（例如，經選擇模型308過度地擬合到訓練集302及/或驗證集304，並且不可適用於其他資料集，諸如測試集306），流程繼續到方塊312，其中系統300使用對應於特徵的不同集合（例如，操作）的不同訓練集來執行模型訓練（例如，重新訓練）。回應於基於測試集306來決定經選擇模型308具有滿足閾值準確性的準確性，流程繼續到方塊320。在至少方塊312中，模型學習歷史資料中的圖案以進行預測，並且在方塊318中，系統300將模型應用於剩餘資料（例如，測試集306）以測試預測。

於方塊320，系統300使用經訓練模型（例如，經選擇模型308）以接收當前處理資料346（例如，第1圖的當前處理資料146）並且從經訓練模型決定（例如，提取）用於排隊時間控制的預測資料360（例如，第1圖的預測資料160）以執行校正動作。在一些實施例中，當前處理資料346對應於歷史處理資料344中的相同類型的特徵。在一些實施例中，當前處理資料346對應於與用於訓練經選擇模型308的歷史處理資料344中的特徵類型的子集相同類型的特徵。

在一些實施例中，接收當前資料。在一些實施例中，當前資料包括當前效能資料356（例如，第1圖的當前效能資料156）及/或當前處理資料346。在一些實施例中，當前資料的至少一部分從計量設備（例如，第1圖的計量設備128）或經由使用者輸入接收。在一些實施例中，模型308基於當前資料重新訓練。在一些實施例中，新模型基於當前效能資料356及當前處理資料346來訓練。

在一些實施例中，方塊310-320中的一或多個以各種次序發生及/或與本文未呈現及描述的其他操作一起發生。在一些實施例中，將不執行方塊310-320中的一或多個。例如，在一些實施例中，將不執行方塊310的資料劃分、方塊314的模型驗證、方塊316的模型選擇、及/或方塊318的模型測試中的一或多個。

第4A圖至第4D圖係根據某些實施例的與排隊時間控制相關聯的方法400A-D的流程圖。在一些實施例中，方法400A-D藉由處理邏輯執行，該處理邏輯包括硬體（例如，電路系統、專用邏輯、可程式設計邏輯、微代碼、處理裝置等）、軟體（諸如在處理裝置、通用電腦系統、或專用機器上運行的指令）、韌體、微代碼、或其組合。在一些實施例中，方法400A-D至少部分藉由預測系統110及/或客戶端裝置120執行。在一些實施例中，方法400A至少部分藉由預測系統110（例如，第1圖的伺服器機器170及資料集產生器172、第2圖的資料集產生器272）執行。在一些實施例中，預測系統110使用方法400A來產生資料集以對機器學習模型進行訓練、驗證、或測試中的至少一者。在一些實施例中，方法400B藉由客戶端裝置120（例如，排程部件122）執行。在一些實施例中，方法400C藉由伺服器機器180（例如，訓練引擎182等）執行。在一些實施例中，方法400D藉由預測伺服器112（例如，預測部件114）執行。在一些實施例中，非暫時性儲存媒體儲存指令，當藉由（例如，預測系統110、伺服器機器180、預測伺服器112等的）處理裝置執行時，該等指令導致處理裝置執行方法400A-D中的一或多個。

為了簡單解釋，將方法400A-D描繪且描述為一系列操作。然而，根據本揭示的操作可以各種次序及/或同時發生，並且與在本文中未呈現及描述的其他操作一起發生。此外，在一些實施例中，並未執行所有示出的操作以實施根據所揭示的標的的方法400A-D。此外，熟習此項技術者將理解及認識到，方法400A-D可以替代地經由狀態圖或事件表示為一系列相互關聯的狀態。

第4A圖係根據某些實施例的用於產生機器學習模型的資料集來用於產生預測資料（例如，第1圖的預測資料160）的方法400A的流程圖。

參見第4A圖，在一些實施例中，於方塊402，實施方法400A的處理邏輯將訓練集T初始化為空集。

於方塊404，處理邏輯產生第一資料輸入（例如，第一訓練輸入、第一驗證輸入），該第一資料輸入包括歷史處理資料（例如，第1圖的歷史處理資料144、第2圖的歷史處理資料244等）。在一些實施例中，第一資料輸入包括各類型的處理資料的特徵的第一集合，並且第二資料輸入包括各類型的處理資料的特徵的第二集合（例如，如關於第2圖所描述）。

於方塊406，處理邏輯產生一或多個資料輸入（例如，第一資料輸入）的第一目標輸出。在一些實施例中，第一目標輸出係歷史效能資料（例如，第1圖的歷史效能資料154、第2圖的歷史效能資料254）。

於方塊408，處理邏輯視情況產生指示輸入/輸出映射的映射資料。輸入/輸出映射（或映射資料）指資料輸入（例如，本文描述的一或多個資料輸入）、資料輸入的目標輸出（例如，其中目標輸出識別歷史效能資料154）、及在資料輸入與目標輸出之間的關聯。

於方塊410，處理邏輯將於方塊408產生的映射資料添加到資料集T。

於方塊412，處理邏輯基於資料集T是否足夠用於訓練、驗證、及/或測試機器學習模型190的至少一者（例如，經訓練的機器學習模型的不確定性滿足閾值不確定性）來分支。若是，則執行進行到方塊414，否則，執行繼續返回到方塊404。應當注意，在一些實施例中，資料集T的充分性簡單地基於資料集中的輸入/輸出映射的數量來決定，而在一些其他實施方式中，除了或替代輸入/輸出映射的數量，資料集T的充分性基於一或多個其他準則（例如，資料實例的多樣性的量度、準確性等）來決定。

於方塊414，處理邏輯提供資料集T（例如，到伺服器機器180）以訓練、驗證、及/或測試機器學習模型190。在一些實施例中，資料集T係訓練集並且提供到伺服器機器180的訓練引擎182以執行訓練。在一些實施例中，資料集T係驗證集並且提供到伺服器機器180的驗證引擎184以執行驗證。在一些實施例中，資料集T係測試集並且提供到伺服器機器180的測試引擎186以執行測試。在神經網路的情況下，例如，將給定輸入/輸出映射的輸入值（例如，與資料輸入210相關聯的數值）輸入到神經網路，並且將輸入/輸出映射的輸出值（例如，與目標輸出220相關聯的數值）儲存在神經網路的輸出節點中。神經網路中的連接權重隨後根據學習演算法（例如，反向傳播等）調節，並且程序針對資料集T中的其他輸入/輸出映射重複。

在方塊414之後，機器學習模型（例如，機器學習模型190）可以係使用伺服器機器180的訓練引擎182來訓練、使用伺服器機器180的驗證引擎184來驗證、或使用伺服器機器180的測試引擎186來測試中的至少一種。經訓練的機器學習模型藉由（預測伺服器112的）預測部件114實現，以產生用於排隊時間控制（例如，排程、導致執行校正動作等）的預測資料（例如，預測資料160）。

第4B圖係根據某些實施例的與排隊時間控制相關聯的方法400B。排隊時間控制可係顯式排隊時間控制（例如，控制藉由基板處理系統使用的預定排隊時間）。排隊時間控制可係具有裝載閘抽空、裝載閘排氣、及/或機器人速度控制的顯式排隊控制。處理邏輯可控制基板處理系統，使得基板在具體排隊時間內從處理腔室移除（例如，顯式排隊時間控制）。裝載閘抽空及排氣以及機器人速度可經控制（例如，當可能時減慢）以滿足具體排隊時間。處理邏輯可能不導致移送及處理操作以子系統的當前狀態允許當前任務的速度發生。處理邏輯可最佳化子系統對任務（例如，所有任務）的使用，以完成對所有基板的處理。處理邏輯可導致基板停留在處理腔室中的時間（例如，排隊時間）一致（例如，不變），此導致與習知系統相比基板的品質提高。處理腔室中的基板的排隊時間可顯式地控制（例如，基於使用者輸入）。機器人速度、裝載閘抽空、及/或裝載閘排氣可儘可能減慢。處理邏輯可導致改進的基板品質。此可改進顆粒效能。此可導致減少機器人及裝載閘的磨損。

在一些實施例中，處理邏輯提供顯式排隊時間控制（例如，駐留、停留、到達等）來控制基板流動的時序。在排隊時間約束下，處理邏輯可達到最高的系統處理量。處理邏輯可使得定序器演算法與即時應用分離，使得升級定序器演算法不需要即時應用的重啟。處理邏輯可支援與習知解決方案相比更快的測試（例如，藉由決定預定排隊時間、藉由使用機器學習等）。

於方法400B的方塊420，處理邏輯決定與處理配方相關聯的預定排隊時間。在一些實施例中，預定排隊時間與基板在藉由處理腔室處理之後在處理腔室中的時間量相關聯。

在一些實施例中，預定排隊時間係從處理腔室中的基板的基板處理結束到從處理腔室移除基板的晶圓駐留排隊時間（例如，駐留時間限制，當前配方結束到晶圓移除）（例如，從處理腔室中的基板處理操作結束到基板從處理腔室移除時的時間量）。

在一些實施例中，預定排隊時間係從處理腔室中的基板的基板處理結束到基板到達後續處理腔室的停留時間（例如，停留時間限制、當前配方結束到下一配方開始）（例如，從處理腔室中的基板處理操作結束到基板到達後續腔室時的時間量）。

在一些實施例中，預定排隊時間係從處理腔室的操作（例如，清潔操作、處理操作）結束到基板到達彼處理腔室的到達時間（例如，到達時間限制、清潔及/或處理操作結束到晶圓到達）。

在一些實施例中，預定排隊時間係從處理腔室中的基板處理操作結束到後續腔室中基板的後續基板處理操作開始的時間量。在一些實施例中，預定排隊時間係一時間範圍（例如，從10秒至20秒、零至15秒等）。在一些實施例中，預定排隊時間係最大時間（例如，長達15秒）。在一些實施例中，預定排隊時間係一時間量（例如，15秒）。在一些實施例中，預定排隊時間係在設定值的容差值（例如，距15秒的設定值+/-5秒的容差值）內。

在一些實施例中，處理裝置決定預定排隊時間以防止操作中的瓶頸。

在一些實施例中，處理裝置基於使用者輸入（例如，使用者輸入的準確時間量、使用者輸入的時間範圍等）來決定預定排隊時間。在一些實施例中，處理裝置基於經訓練的機器學習模型來決定預定排隊時間（例如，參見第4C圖至第4D圖）。

在一些實施例中，處理資料的不同操作（例如，處理配方）具有不同的預定排隊時間。

在一些實施例中，預定排隊時間與系統處理量相關聯。在一些實施例中，預定排隊時間與機器人從一位置（例如，處理腔室、FOUP、裝載閘、側儲存盒、對準器、LCF等）移動基板相關聯。在一些實施例中，預定排隊時間與直到基板從一位置移除（例如，從處理腔室移除）為止的時間量相關聯。在一些實施例中，預定排隊時間與直到基板到達後續位置（例如，到達後續處理腔室）為止的時間量相關聯。

在一些實施例中，預定排隊時間與基板在移送到基板處理系統中之前處於裝載埠（例如，基板匣在裝載埠處設置）的時間量相關聯。

在一些實施例中，預定排隊時間係人為延遲、起搏時間、節拍時間（例如，新基板從基板匣輸入到基板處理系統的其餘部分的頻率）、基板在腔室中的時間量等。在一些實施例中，預定排隊時間為零（例如，在移動之前不停留在該位置）。在一些實施例中，預定排隊時間大於零（例如，在移動之前停留在該位置）。在一些實施例中，預定排隊時間係基板在直通緩衝器中（例如，在不同叢集工具之間、在相同叢集工具的腔室之間、在裝載閘中等）的時間量。

在一些實施例中，預定排隊時間係基板處於固持位置（例如，虛擬擱板、側存儲盒、冷卻板、緩衝板、匣、裝載閘等）的時間量。在一些實施例中，預定排隊時間係處理配方之前的時間量、處理配方之後的時間量、處理配方開始之前的時間週期、處理配方結束之後的時間週期等。在一些實施例中，預定排隊時間不與處理配方相關聯。

在一些實施例中，處理邏輯導致基板在處理腔室中處理。在一些實施例中，處理邏輯（例如，基板處理系統的控制器）導致EFEM的機器人將基板從FOUP移送到裝載閘、導致裝載閘向下排氣、導致移送腔室的機器人將基板從裝載閘移送到處理腔室、以及導致處理腔室處理基板。

於方塊422，處理邏輯導致基於預定排隊時間來控制與基板處理系統的一或多個部件相關聯的速度。在一些實施例中，處理邏輯導致機器人基於預定排隊時間從位置（例如，處理腔室）移除基板。在一些實施例中，處理邏輯導致移送腔室的機器人在處理腔室處理基板之後的預定排隊時間、在處理腔室處理基板之後的預定排隊時間內、在處理腔室處理基板之後的預定排隊時間的範圍內、及/或類似者從處理腔室移除基板。

在一些實施例中，處理邏輯進一步基於預定排隊時間來決定預定機器人速度，並且為了導致控制與一或多個部件相關聯的速度，處理邏輯導致基於預定機器人速度（例如，儘可能慢，仍然允許用於基板處理的預定排隊時間並且不會導致瓶頸）控制機器人。在一些實施例中，預定機器人速度對於不同的操作係不同的（例如，機器人從處理腔室放下基板的速度較慢，而機器人從處理腔室拾取基板的速度較高）。

在一些實施例中，處理邏輯進一步基於預定排隊時間來決定裝載閘腔室的預定壓力改變率，並且為了導致控制與一或多個部件相關聯的速度，處理邏輯基於預定壓力改變率來導致裝載閘腔室中的壓力改變。在一些實施例中，預定壓力改變率包括抽空或排氣中的至少一者。預定壓力改變率可滿足閾值壓力改變率（例如，儘可能慢，仍然允許用於基板處理的預定排隊時間並且不會導致瓶頸）。在一些實施例中，預定壓力改變率對於不同的操作係不同的（例如，用於抽空的較高速度、用於排氣的較低速度等）。當向EFEM打開時，裝載閘可處於較高的壓力（例如，大氣壓），而當向移送腔室打開時，裝載閘可處於較低的壓力（例如，真空）。在從EFEM接收基板之後，裝載閘可從較高壓力抽空到較低壓力。在從移送腔室接收基板之後，裝載閘可從較低壓力排氣到較高壓力。

在一些實施例中，處理邏輯決定預定排隊時間、預定機器人速度及/或預定壓力改變率（例如，實質上同時、順序、基於彼此等）。在一些實施例中，處理邏輯基於預定排隊資料來決定速率資料（例如，速度改變、預定機器人速度、預定壓力改變率、及/或類似者）。速率資料（例如，速度改變、預定機器人速度、預定壓力改變率、及/或類似者）可包括不同部件在不同時間的不同速度（例如，第一時間間隔上的第一機器人速度、在第二時間間隔上的第二機器人速度等）。在一些實施例中，處理邏輯基於預定排隊時間、預定機器人速度、及/或預定壓力改變率產生排程，並且導致基於該排程處理一或多個基板。在一些實施例中，處理邏輯決定在導致處理一或多個基板期間未滿足預定排隊時間、預定機器人速度、及/或預定壓力改變率中的一或多個（例如，及/或出現瓶頸），並且方法400B再次執行（例如，流程返回到方塊420）。處理資料及效能資料（例如，瓶頸、良率、計量資料、未滿足預定排隊時間、預定機器人速度、及/或預定壓力改變率中的一或多個等）可用於進一步訓練用於執行方法400B的機器學習模型。在一些實施例中，方法400B在基板處理操作（例如，基板處理、腔室清潔、基板移送等）期間執行（例如，執行多次）。

在一些實施例中，處理邏輯基於期望效能資料的使用者輸入來決定預定排隊時間、預定機器人速度、及/或預定壓力改變率。期望效能資料可包括閾值處理量（例如，設定預定排隊時間、預定機器人速度、及/或預定壓力改變率以具有預定處理量）、閾值計量資料（例如，滿足閾值計量資料的基板品質）等。

在一些實施例中，處理邏輯決定仍然滿足預定排隊時間並且不增加任何瓶頸（例如，識別瓶頸，並且隨後使預定機器人速度及/或預定壓力改變率滿足瓶頸）的最低預定機器人速度及/或預定壓力改變率。

在一些實施例中，預定排隊時間、預定的機器人速度、及/或預定壓力改變率選自一組不同的值（例如，高、中、或低壓力改變率等）。在一些實施例中，處理邏輯從一值範圍（例如，從0至60秒的值等）中選擇預定排隊時間、預定機器人速度、及/或預定壓力改變率。在一些實施例中，預定排隊時間、預定機器人速度、及/或預定壓力改變率選自連續的一組值。

第4C圖係用於訓練機器學習模型（例如，第1圖的模型190）以決定排隊時間控制的預測資料（例如，第1圖的預測資料160）的方法400C。

參見第4C圖，於方法400C的方塊440，處理邏輯識別歷史處理資料（例如，第1圖的歷史處理資料144、歷史輸入處理資料）。在一些實施例中，歷史處理資料包括歷史排隊時間、歷史排程、歷史機器人速度、歷史壓力改變率、及/或類似者中的一或多個。

於方塊442，處理邏輯識別歷史效能資料（例如，第1圖的歷史效能資料154）。在一些實施例中，歷史效能資料與機器人移送時間（例如，基板處於不同位置的時間量、歷史排隊時間）相關聯。在一些實施例中，歷史效能資料與使用歷史處理資料生產的基板的品質（例如，計量資料）、使用歷史處理資料生產的基板的歷史良率、基板處理期間的歷史排隊時間、及/或類似者相關聯。

於方塊444，處理邏輯使用包括歷史處理資料的資料輸入及包括歷史效能資的目標輸出來訓練機器學習模型以產生經訓練的機器學習模型。決定（例如，第4B圖的方塊420的）預定排隊時間可藉由使用第4C圖的經訓練的機器學習模型。在一些實施例中，經訓練的機器學習模型係神經網路。

第4D圖係用於使用經訓練的機器學習模型（例如，第1圖的模型190）來用於排隊時間控制（例如，用於排程，以導致執行校正動作等）的方法400D。第4D圖可係第4B圖的方塊420。

參見第4D圖，於方法400D的方塊460，處理邏輯識別（例如，處理配方的）處理資料。處理資料可包括操作（例如，移送操作、處理操作、壓力改變操作、機器人速度操作、排隊時間、節拍時間（將基板從FOUP引入EFEM的頻率）、機器人速度、抽空速率、排氣速率等）。

於方塊462，處理邏輯將處理資料（例如，處理配方）作為資料輸入提供到經訓練的機器學習模型（例如，經由第4C圖的方塊444訓練）。

於方塊464，處理邏輯從經訓練的機器學習模型接收與預測資料相關聯的輸出。

於方塊466，處理邏輯基於預測資料來決定處理配方的預定排隊時間（例如，基於預測資料導致執行校正動作）。在一些實施例中，處理邏輯基於預測資料來決定預定排隊時間、預定機器人速度、及/或預定壓力改變率中的一或多個。在一些實施例中，處理邏輯基於預測資料（例如，基於預定排隊時間、預定機器人速度、及/或預定壓力改變率中的一或多個）來產生或更新排程（例如，更新處理配方、更新處理資料、調節方案時間等）。

第5圖係根據某些實施例的示出與排隊時間控制相關聯的系統500的方塊圖。

系統500包括藉由分離530（例如，排程與系統剩餘部分之間的分離實現獨立的生命週期）分離的控制器510（例如，即時定序器）及排程部件520（例如，第1圖的排程部件122）。

控制器510可係下一代即時定序器。控制器510可包括橋接、人工操作、時間表執行器、呼叫排程器、錯誤恢復、及/或類似者中的一或多個。控制器510可控制設備518（例如，基板處理設備、第1圖的製造設備124），該設備包括腔室機器人（例如，移送腔室中的機器人、EFEM中的機器人等）、裝載閘、處理腔室等中的一或多個。控制器510可經由橋接器512耦合（例如，可通訊地耦合）到一或多個部件。控制器510可接收系統配置資料514（例如，系統配置、基板處理系統的配置）及/或系統狀態資料516（例如，統計、其他系統狀態資訊等）。控制器510可將系統狀態資料516提供到排程部件520（例如，定序器排程器522）。

排程部件520可導致排隊時間控制。排程部件520可包括序列排程器522（例如，遠端節點上的下一代定序器排程器）、排程邏輯524（例如，可重新載入並且與控制器510解耦的排程演算法）、及/或時間表526中的一或多個。定序器排程器522及排程邏輯524可組合。排程部件520（例如，經由序列排程器522）可從控制器510接收系統配置資料514、系統狀態資料516、及/或額外資料（例如，即時資料、效能資料）。定序器排程器522可將輸出提供到排程邏輯524，該排程邏輯產生提供到控制器510的時間表526（例如，排程、預定排隊時間、預定機器人速度、預定壓力改變率等）。控制器510隨後基於時間表526來控制設備518。

在一些實施例中，排程部件520在控制器510執行基板處理操作之前將時間表526提供到控制器510。在一些實施例中，排程部件520在控制器510執行基板處理操作期間將時間表526提供到控制器510。

第6圖係根據某些實施例的示出電腦系統600的方塊圖。在一些實施例中，電腦系統600係下列中的一或多個：客戶端裝置120、預測系統110、伺服器機器170、伺服器機器180、或預測伺服器112。

在一些實施例中，電腦系統600連接（例如，經由網路，諸如區域網路(Local Area Network; LAN)、網內網路、網外網路、或網際網路）到其他電腦系統。在一些實施例中，電腦系統600在客戶端-伺服器環境中在伺服器或客戶端電腦的容量中操作，或作為同級間或分散式網路環境中的同級電腦操作。在一些實施例中，電腦系統600藉由個人電腦(personal computer; PC)、平板PC、機上盒(Set-Top Box; STB)、個人數位助理(Personal Digital Assistant; PDA)、蜂巢電話、網設備、伺服器、網路路由器、開關或橋接器、或能夠執行指令集（連續或以其他方式）的任何裝置提供，該指令集規定由彼裝置採取的動作。另外，術語「電腦」應當包括電腦的任何集合，該等電腦獨立或聯合地執行指令集（或多個指令集）以執行本文描述的任何一或多種方法。

在另外的態樣中，電腦系統600包括經由匯流排608彼此通訊的處理裝置602、揮發性記憶體604（例如，隨機存取記憶體(Random Access Memory; RAM)）、非揮發性記憶體606（例如，唯讀記憶體(Read-Only Memory; ROM)或電子可抹除可程式設計ROM (Electrically-Erasable Programmable ROM; EEPROM)）、及資料儲存裝置616。

在一些實施例中，處理裝置602藉由一或多個處理器提供，諸如通用處理器（諸如，例如，複雜指令集計算(Complex Instruction Set Computing; CISC)微處理器、精簡指令集計算(Reduced Instruction Set Computing; RISC)微處理器、極長指令字(Very Long Instruction Word; VLIW)微處理器、實施其他類型的指令集的微處理器、或實施各類型指令集的組合的微處理器）或專用處理器（諸如，例如，特殊應用積體電路(Application Specific Integrated Circuit; ASIC)、現場可程式設計閘陣列(Field Programmable Gate Array; FPGA)、數位信號處理器(Digital Signal Processor; DSP)、或網路處理器）。

在一些實施例中，電腦系統600進一步包括網路介面裝置622（例如，耦合到網路674）。在一些實施例中，電腦系統600亦包括視訊顯示單元610（例如，LCD）、字母數字輸入裝置612（例如，鍵盤）、游標控制裝置614（例如，滑鼠）、及信號產生裝置620。

在一些實施方式中，資料儲存裝置616包括非暫時性電腦可讀取儲存媒體624，其上儲存編碼本文描述的方法或功能中的任何一或多個並且用於實施本文描述的方法的指令626，包括第1圖的指令編碼部件（例如，排程部件122、預測部件114等）。

在一些實施例中，指令626亦在其執行期間藉由電腦系統600完全或部分駐存在揮發性記憶體604內及/或處理裝置602內，因此，在一些實施例中，揮發性記憶體604及處理裝置602亦可構成機器可讀取儲存媒體。

儘管電腦可讀取儲存媒體624在說明性實例中圖示為單個媒體，術語「電腦可讀取儲存媒體」應當包括儲存一或多個可執行指令集的單個媒體或多個媒體（例如，集中式或分散式資料庫，及/或相關聯的快取記憶體及伺服器）。術語「電腦可讀取儲存媒體」亦應當包括能夠儲存或編碼指令集用於由電腦執行的任何有形媒體，該指令集導致電腦執行本文描述的任何一或多種方法。術語「電腦可讀取儲存媒體」應當包括但不限於固態記憶體、光學媒體、及磁性媒體。

在一些實施例中，本文描述的方法、部件、及特徵藉由離散硬體部件實施或整合在其他硬體部件（諸如特殊應用積體電路(ASIC)、現場可程式設計閘陣列(FPGA)、數位信號處理器(DSP)、或類似裝置）的功能性中。在一些實施例中，方法、部件、及特徵可以藉由韌體模組或硬體裝置內的功能電路實施。在一些實施例中，方法、部件、及特徵以硬體裝置及電腦程式部件的任何組合實施、或以電腦程式實施。

除非另外具體聲明，否則術語諸如「決定」、「導致」、「泵送」、「排氣」、「訓練」、「輸出」、「識別」、「預測」、「處理」、「轉化」、「提供」、「獲得」、「接收」、「更新」、或類似者指將表示為電腦系統的暫存器及記憶體內的實體（電子）量的資料操控及變換為類似地表示為電腦系統的記憶體或暫存器或其他此種資訊儲存、傳輸、或顯示裝置內的實體量的其他資料的電腦系統執行或實施的動作及製程。在一些實施例中，如本文使用，術語「第一」、「第二」、「第三」、「第四」等意味著在不同元件之中進行區分的標記並且根據其數字命名不具有序數意義。

本文描述的實例亦關於一種用於執行本文描述的方法的設備。在一些實施例中，此設備經專門配置用於執行本文描述的方法，或包括藉由儲存在電腦系統中的電腦程式選擇性程式設計的通用電腦系統。此種電腦程式儲存在電腦可讀取有形儲存媒體中。

本文描述的方法及說明性實例並非固有地關於任何特定電腦或其他設備。在一些實施例中，各種通用系統根據本文描述的教示使用。在一些實施例中，更專用的設備經構造為執行本文描述的方法及/或其獨立功能、常式、子常式、或操作的每一者。用於各種此等系統的結構的實例在上文描述中闡述。

以上描述意欲為說明性而非限制性的。儘管本揭示已經參考特定說明性實例及實施方式描述，將認識到本揭示不限於所描述的實例及實施方式。本揭示的範疇應當參考隨附申請專利範圍連同此種申請專利範圍所賦予的等效物的全部範疇來決定。

100:系統 110:預測系統 112:預測伺服器 114:預測部件 120:客戶端裝置 122:排程部件 124:製造設備 126:感測器 128:計量設備 130:網路 140:資料儲存器 142:處理資料 144:歷史處理資料 146:當前處理資料 152:效能資料 154:歷史效能資料 156:當前效能資料 160:預測資料 170:伺服器機器 172:資料集產生器 180:伺服器機器 182:訓練引擎 184:驗證引擎 185:選擇引擎 186:測試引擎 190:經訓練的機器學習模型 210:資料輸入 220:目標輸出 244:歷史處理資料 254:歷史效能資料 272:資料集產生器 300:系統 302:訓練集 304:驗證集 306:測試集 308:經選擇模型 310:方塊 312:方塊 314:方塊 316:方塊 318:方塊 320:方塊 344:歷史處理資料 346:當前處理資料 354:歷史效能資料 356:當前效能資料 360:預測資料 400A:方法 400B:方法 400C:方法 400D:方法 402:方塊 404:方塊 406:方塊 408:方塊 410:方塊 412:方塊 414:方塊 420:方塊 422:方塊 440:方塊 442:方塊 444:方塊 460:方塊 462:方塊 464:方塊 466:方塊 500:系統 510:控制器 512:橋接器 514:系統配置資料 516:系統狀態資料 518:設備 520:排程部件 522:定序器排程器 524:排程邏輯 526:時間表 530:分離 600:電腦系統 602:處理裝置 604:揮發性記憶體 606:非揮發性記憶體 608:匯流排 610:視訊顯示單元 612:字母數字輸入裝置 614:游標控制裝置 616:資料儲存裝置 620:信號產生裝置 622:網路介面裝置 624:非暫時性電腦可讀取儲存媒體 626:指令 674:網路

本揭示在附圖的圖式中藉由實例的方式而非限制的方式示出。

第1圖係根據某些實施例的示出示例性系統架構的方塊圖。

第2圖示出了根據某些實施例的用於建立機器學習模型的資料集的資料集產生器。

第3圖係根據某些實施例的示出決定預測資料的方塊圖。

第4A圖至第4D圖係根據某些實施例的與排隊時間控制相關聯的方法的流程圖。

第5圖係根據某些實施例的示出與排隊時間控制相關聯的系統的方塊圖。

第6圖係根據某些實施例的示出電腦系統的方塊圖。

國內寄存資訊(請依寄存機構、日期、號碼順序註記) 無 國外寄存資訊(請依寄存國家、機構、日期、號碼順序註記) 無

400B:方法

420:方塊

422:方塊

Claims (20)

1. 一種方法，包含以下步驟： 決定與一處理配方相關聯的一預定排隊時間，其中該預定排隊時間與一基板從一位置移動之前處於該位置的一時間量相關聯；以及 導致基於該預定排隊時間控制與一基板處理系統的一或多個部件相關聯的速度，速度的該控制與該基板的移送相關聯。
2. 如請求項1所述的方法，其中： 該位置係一處理腔室； 該預定排隊時間與該基板在藉由該處理腔室處理之後在該處理腔室中的該時間量相關聯；以及 該方法進一步包含以下步驟：導致在該處理腔室中處理該基板，從而導致一機器人在該處理腔室中處理之後基於該預定排隊時間從該處理腔室移除該基板。
3. 如請求項2所述的方法，其中該預定排隊時間係從該基板在該處理腔室中的基板處理結束到從該處理腔室移除該基板的一晶圓駐留排隊時間。
4. 如請求項2所述的方法，其中該預定排隊時間係從該基板在該處理腔室中的基板處理結束到該基板到達一後續處理腔室的一停留時間。
5. 如請求項1所述的方法，進一步包含以下步驟：基於該預定排隊時間來決定一預定機器人速度，其中該導致該控制與該一或多個部件相關聯的速度之步驟包含以下步驟：導致基於該預定機器人速度來控制該機器人。
6. 如請求項1所述的方法，其中該決定該預定排隊時間係基於使用者輸入。
7. 如請求項1所述的方法，進一步包含以下步驟： 基於該預定排隊時間來決定一裝載閘腔室的一預定壓力改變率，並且該導致該控制與該一或多個部件相關聯的速度之步驟包含以下步驟：基於該預定壓力改變率來導致該裝載閘腔室中的壓力改變。
8. 如請求項6所述的方法，其中該預定壓力改變率包含抽空或排氣中的至少一個，並且其中該預定壓力改變率滿足一閾值壓力改變率。
9. 如請求項1所述的方法，進一步包含以下步驟：基於歷史處理資料及歷史效能資料來訓練一機器學習模型以產生一經訓練的機器學習模型，其中該決定與該處理配方相關聯的該預定排隊時間係基於該經訓練的機器學習模型。
10. 如請求項1所述的方法，其中該決定與該處理配方相關聯的該預定排隊時間之步驟包含以下步驟： 將該處理配方提供到一經訓練的機器學習模型；以及 從該經訓練的機器學習模型接收與預測資料相關聯的輸出，其中該決定該處理配方的該預定排隊時間係基於該預測資料。
11. 一種儲存指令的非暫時性機器可讀取儲存媒體，當執行時該等指令導致一處理裝置執行操作，包含以下步驟： 決定與一處理配方相關聯的一預定排隊時間，其中該預定排隊時間與一基板從一位置移動之前處於該位置的一時間量相關聯；以及 導致基於該預定排隊時間控制與一基板處理系統的一或多個部件相關聯的速度，速度的該控制與該基板的移送相關聯。
12. 如請求項11所述的非暫時性機器可讀取儲存媒體，其中： 該位置係一處理腔室； 該預定排隊時間與該基板在藉由該處理腔室處理之後在該處理腔室中的該時間量相關聯；以及 該方法進一步包含以下步驟：導致在該處理腔室中處理該基板，從而導致一機器人在該處理腔室中處理之後基於該預定排隊時間從該處理腔室移除該基板。
13. 如請求項12所述的非暫時性機器可讀取儲存媒體，其中該預定排隊時間包含下列中的至少一個： 從該基板在該處理腔室中的基板處理結束到從該處理腔室移除該基板的一晶圓駐留排隊時間；或 從該基板在該處理腔室中的基板處理結束到該基板到達一後續處理腔室的一停留時間。
14. 如請求項11所述的非暫時性機器可讀取儲存媒體，其中該等操作進一步包含以下步驟： 基於該預定排隊時間來決定一預定機器人速度，其中該導致該控制與該一或多個部件相關聯的速度之步驟包含以下步驟：導致基於該預定機器人速度來控制該機器人。
15. 如請求項11所述的非暫時性機器可讀取儲存媒體，其中該等操作進一步包含以下步驟： 基於該預定排隊時間來決定一裝載閘腔室的一預定壓力改變率，其中該導致該控制與該一或多個部件相關聯的速度之步驟包含以下步驟：基於該預定壓力改變率來導致該裝載閘腔室中的壓力改變。
16. 一種系統，包含： 記憶體；以及 一處理裝置，耦合到該記憶體，該處理裝置用於： 決定與一處理配方相關聯的一預定排隊時間，其中該預定排隊時間與一基板從一位置移動之前處於該位置的一時間量相關聯；以及 導致基於該預定排隊時間控制與一基板處理系統的一或多個部件相關聯的速度，速度的該控制與該基板的移送相關聯。
17. 如請求項16所述的系統，其中： 該位置係一處理腔室； 該預定排隊時間與該基板在藉由該處理腔室處理之後在該處理腔室中的該時間量相關聯；以及 該方法進一步包含以下步驟：導致在該處理腔室中處理該基板，從而導致一機器人在該處理腔室中處理之後基於該預定排隊時間從該處理腔室移除該基板。
18. 如請求項17所述的系統，其中該預定排隊時間包含下列中的至少一個： 從該基板在該處理腔室中的基板處理結束到從該處理腔室移除該基板的一晶圓駐留排隊時間；或 從該基板在該處理腔室中的基板處理結束到該基板到達一後續處理腔室的一停留時間。
19. 如請求項16所述的系統，其中該處理裝置進一步用於： 基於該預定排隊時間來決定一預定機器人速度，其中為了導致該控制與該一或多個部件相關聯的速度，該處理裝置用於導致基於該預定機器人速度來控制該機器人。
20. 如請求項16所述的系統，其中該處理裝置進一步用於： 基於該預定排隊時間來決定一裝載閘腔室的一預定壓力改變率，其中為了該導致該控制與該一或多個部件相關聯的速度，該處理裝置用於基於該預定壓力改變率來導致該裝載閘腔室中的壓力改變。

Images